超强半监督学习 MixMatch

转载自：https://zhuanlan.zhihu.com/p/

人类的学习方法是半监督学习，他们能从大量的未标记数据和极少量的标记数据学习，迅速理解这个世界。半监督学习最近有没有什么大的突破呢？我的Twitter账号被这篇 《The Quiet Semi-Supervised Revolution》【1】博客刷屏了。这篇博客介绍了 DeepMind 的 MixMatch 【2】方法，此方法仅用少量的标记数据，就使半监督学习的预测精度逼近监督学习。深度学习领域的未来可能因此而刷新。

以前的半监督学习方案，一直以来表现其实都很差。你可能会想到 BERT 和 GPT，这两个超强的自然语言预训练模型。但这两个模型的微调只能算迁移学习，而非半监督学习。因为它们最开始训练的时候，使用了监督学习方法。比如通过语言模型，输入前言，预测后语；输入语境，完形填空；输入前言和后语，预测是否前言不搭后语。这几种方法，很难称作无监督学习。

下面这几种大家很容易想到的半监督学习方法，效果都不是很好。比如使用主成分分析PCA，提取数据中方差最大的特征，再在少量标记数据上，做监督学习；又比如使用自编码机 AutoEncoder，以重建输入图像的方式，获得数据潜在表示，对小数据监督学习；再比如使用生成对抗网络 GAN，以生成以假乱真图像的方式，获得数据潜在表示，对小数据做监督学习。半监督训练很久的精度，还比不上直接在小数据上做监督学习的精度！大家的猜测是，这些非监督方法学到的特征可能并不是分类器真正需要的特征。

什么才是半监督学习的正确打开方式呢？近期的一些半监督学习方法，通过在损失函数中添加与未标记数据相关的项，来鼓励模型举一反三，增加对陌生数据的泛化能力。

第一种方案是自洽正则化（Consistency Regularization）【3，4】。以前遇到标记数据太少，监督学习泛化能力差的时候，人们一般进行训练数据增广，比如对图像做随机平移，缩放，旋转，扭曲，剪切，改变亮度，饱和度，加噪声等。数据增广能产生无数的修改过的新图像，扩大训练数据集。自洽正则化的思路是，对未标记数据进行数据增广，产生的新数据输入分类器，预测结果应保持自洽。即同一个数据增广产生的样本，模型预测结果应保持一致。此规则被加入到损失函数中，有如下形式，

其中 x 是未标记数据，Augment(x) 表示对x做随机增广产生的新数据， 是模型参数，y 是模型预测结果。注意数据增广是随机操作，两个 Augment(x) 的输出不同。这个 L2 损失项，约束机器学习模型，对同一个图像做增广得到的所有新图像，作出自洽的预测。

MixMatch 集成了自洽正则化。数据增广使用了对图像的随机左右翻转和剪切（Crop）。

第二种方案称作 最小化熵（Entropy Minimization）【5】。许多半监督学习方法都基于一个共识，即分类器的分类边界不应该穿过边际分布的高密度区域。具体做法就是强迫分类器对未标记数据作出低熵预测。实现方法是在损失函数中简单的增加一项，最小化  对应的熵。

MixMatch 使用 “sharpening” 函数，最小化未标记数据的熵。这一部分后面会介绍。

第三种方案称作传统正则化（Traditional Regularization）。为了让模型泛化能力更好，一般的做法对模型参数做 L2 正则化，SGD下L2正则化等价于Weight Decay。MixMaxtch 使用了 Adam 优化器，而之前有篇文章发现 Adam 和 L2 正则化同时使用会有问题，因此 MixMatch 从谏如流使用了单独的Weight decay。

最近发明的一种数据增广方法叫 Mixup 【6】，从训练数据中任意抽样两个样本，构造混合样本和混合标签，作为新的增广数据，

其中 λ 是一个 0 到 1 之间的正数，代表两个样本的混合比例。MixMatch 将 Mixup 同时用在了标记数据和未标记数据中。

MixMatch 方案

MixMatch 偷学各派武功，取三家之长，补三家之短，最终成为天下第一高手 — 最强半监督学习模型。这种 MixMatch 方法在小数据上做半监督学习的精度，远超其他同类模型。比如，在 CIFAR-10 数据集上，只用250个标签，他们就将误差减小了4倍（从38%降到11%）。在STL-10数据集上，将误差降低了两倍。 方法示意图如下，

MixMatch 实现方法：对无标签数据，做数据增广，得到 K 个新的数据。因为数据增广引入噪声，将这 K 个新的数据，输入到同一个分类器，得到不同的预测分类概率。MinMax 利用算法（Sharpen），使多个概率分布的平均（Average）方差更小，预测结果更加自洽，系统熵更小。

注：Google原文并未比较 MixMatch 和使用生成对抗网络GAN做半监督学习时的表现孰好孰坏。但从搜索到的资料来看，2016年 OpenAI 的 Improved GAN 【8】，使用4000张CIFAR10的标记数据，做半监督学习得到测试误差18.6。2017年，GAN做半监督学习的测试误差，在4000张CIFAR10标记数据上，将测试误差降低到14.41 【10】。2018年，GAN + 流形正则化，得到测试误差14.45。目前并没有看到来自GAN的更好结果。对比 MixMatch 使用 250 张标记图片，就可以将测试误差降低到 11.08，使用4000张标记图片，可以将测试误差降低到 6.24，应该算是大幅度超越使用GAN做半监督学习的效果。

具体步骤：

1. 使用 MixMatch 算法，对一个 Batch 的标记数据 X 和一个 Batch 的未标记数据 U 做数据增广，分别得到一个 Batch 的增广数据 X’ 和 K 个Batch的 U’ 。

其中 T， K， α 是超参数，后面会介绍。MixMatch 数据增广算法如下，

MixMatch 算法。

算法描述：for 循环对一个Batch的标记图片和未标记图片做数据增广。对标记图片，只做一次增广，标签不变，记为  P。

对未标记数据，做 K 次随机增广（文章中超参数K=2），输入分类器，得到平均分类概率，应用温度Sharpen 算法（T 是温度参数，此算法后面介绍），得到未标记数据的“猜测”标签 Q  。此时增广后的标记数据 X^  有一个Batch，增广后的未标记数据 U^  有 K 个Batch。将  X^ 和 U^  混合在一起，随机重排得到数据集 W  。最终 MixMatch 增广算法输出的，是将 X^ 与 W  做了MixUp() 的一个 Batch 的标记数据 X’ ，以及 U^  与  W 做了MixUp() 的 K 个Batch 的无标记增广数据  U’ 。

2. 对增广后的标记数据  X’ ，和无标记增广数据  U’  分别计算损失项，

其中  |X’|  等于 Batch Size, |U’|   等于 K 倍 Batch Size，L 是分类类别个数， H(P,Pmodel)  是简单的 Cross Entropy 函数， x,p 是增广的标记数据输入和标签，  u,q 是增广的未标记数据输入以及猜测的标签。

对未标记数据损失Lu 使用 L2 Loss 而不是像Lx一样使用 Cross Entropy Loss 的原因文章中没有提到。但在引用的NVIDIA文章【3】第三页提供了一个解释。即 L2 Loss 比 Cross Entropy Loss 更加严格。原因是 Cross Entropy 计算是需要先使用 Softmax 函数，将Dense Layer输出的类分数   转化为类概率，

而 softmax 函数对于常数叠加不敏感，即如果将最后一个 Dense Layer 的所有输出类分数   同时添加一个常数 c, 则类概率不发生改变，Cross Entropy Loss 不发生改变。

因此，如果对未标记数据使用 Cross Entropy Loss, 由同一张图片增广得到的两张新图片，最后一个Dense Layer的输出被允许相差一个常数。使用 L2 Loss, 约束更加严格。

3. 最终的整体损失函数是两者的加权，

其中  λu 是非监督学习损失函数的加权因子，这个超参数的数值可调，文章使用 100  。

在上面的步骤描述中，还有另外两个超参数，温度 T 和 α 。T 被用在 Sharpening 过程中， α  是 Mixup 的超参数。下面分别解释这两个超参数的来历。

不是说未标记数据没标签吗？我们可以用分类器“猜测”一些标签。算法描述中的这一步，就是分类器对 K 次增广的无标签数据分类结果做平均，猜测的“伪”标签。对应示意图中 Average 分布。但这个平均预测分布比较平坦，就像在猫狗二分类中，分类器说，这张图片中 50% 几率是猫，50%几率是狗一样，对各类别分类概率预测比较平均。

MixMatch 使用了 Sharpen，来使得“伪”标签熵更低，即猫狗分类中，要么百分之九十多是猫，要么百分之九十多是狗。做法也是前人发明的，

其中，p是类别概率，在 MixMatch 中对应  。T 是温度参数，可以调节分类熵。调节 T 趋于0，  趋近于 One-Hot 分布，即对某一类别输出概率 1，其他所有类别输出概率0，此时分类熵最低。注：   , 可以计算得到，在二分类中，两个类的输出概率是One-Hot时，（p0 =1,p1=0）的熵远小于输出概率比较平均 （p0 =0.5, p1=0.5）的熵。在 MixMatch 中，降低温度T，可以鼓励模型作出低熵预测。

最后一个尚未解释的超参数α被用在 Mixup 数据增广中。与之前的 Mixup 方法不同，MixMatch方法将标记数据与未标记数据做了混合，进行 Mixup。对应算法描述中的混合与随机重排。

MixMatch 修改了 Mixup 算法。对于两个样本以及他们的标签（x1,p1） 和  (x2,p2） 混合后的样本为，

其中，权重因子λ使用超参数α 通过 Beta 函数抽样得到，

文章使用超参数α, 如果将此 Beta 分布画图表示，则如下图所示，

权重因子的分布。根据此 Beta(0.75, 0.75) 分布抽样，大部分数值落在接近 0 或 1 的区域。

原始的 Mixup 算法中，第一步不变，第二步 λ‘ =λ  。MixMatch 做了极小的修改，使用λ’=max(λ,1-λ)  。如上图所示，根据   抽样得到的 λ 数值大部分落在 0 或 1 附近，λ’=max(λ,1-λ)函数则使得λ 数值接近 1 。这样的好处是在 Mixup 标记数据 X^ 与混合数据 W 时，增加 X^   的权重；在 Mixup 未标记数据U^ 与W 时，增加 U^  的权重。分别对应于算法描述中的 Mixup(X^,w) 和  Mixup(U^,w)  。

细节：损失函数中使用了对未标记数据猜测的标签q, 此标签依赖q于模型参数 。遵循标准处理方案，不将q 对  的梯度做向后误差传递。

半监督学习 MixMatch 训练结果

在 CIFAR-10 数据集上，使用全部五万个数据做监督学习，最低误差能降到百分之4.13。使用 MixMatch，250 个数据就能将误差降到百分之11，4000 个数据就能将误差降到百分之 6.24。结果惊艳。

更直观的效果对比

MixMatch 算法测试误差用黑色星号表示，监督学习算法用虚线表示。观察最底下，误差最小的两条线，可看到 MixMatch 测试误差直逼监督学习算法！

解剖各部分贡献 （Ablation Test ）

可以看到对结果贡献最大的是对未标记数据的 MixUp，Average 以及 Sharpen。

结论：

半监督学习是深度学习里面最可能接近人类智能的方法。这个方向的进展，这篇文章的突破，都是领域的极大进展。因未在其他公众号看到这篇文章的介绍，特此作此解读。

另有一篇文章，Unsupervised Data Augmentation，貌似在4000张标记图片的CIFAR10上达到了 5.27 的测试误差，超过了 MixMatch 方法。如有时间，会进一步解读那篇文章。以观察两篇文章的方法是否可以一同使用。

参考文献：

1. The Quiet Semi-Supervised Revolution
2. MixMatch: A Holistic Approach to Semi-Supervised Learning
3. Temporal ensembling for semi-supervised learning. ICLR, 2017.
4. Regularization with stochastic transformations and perturbations for deep semi-supervised learning. NIPS, 2016.
5. Semi-supervised Learning by Entropy Minimization
6. Mixup: Beyond empirical risk minimization
7. Realistic Evaluation of Deep Semi-Supervised Learning Algorithms
8. Improved Techniques for Training GANs ,OpenAI 2016, get 18.6 test error using 4000 labeled images in CIFAR10.
9. SEMI-SUPERVISED LEARNING WITH GANS: REVISITING MANIFOLD REGULARIZATION , 2018, GAN + Manifold Regularization, get 14.45 test error using 4000 labeled images in CIFAR10.
10. Good Semi-supervised Learning That Requires a Bad GAN , 2017, get 14.41 test error using 4000 labeled images in CIFAR10.
11. [free online book] Semi Supervised Learning